一种稀疏重构的相关干涉仪测向算法

针对基于凸优化模型的相关干涉仪测向算法计算量过大的问题,提出了一种基于稀疏度自适应匹配追踪算法的相关干涉仪测向算法。该算法首先根据压缩感知原理利用传统相关干涉仪算法的测向数据库作为基底将入射信号稀疏表示;接着,根据贪婪算法对信号进行重构,估计入射信号的方位。该算法的优点在于在迭代过程中引入回溯思想,自动调整估计步长,实现计算复杂度和估计精度的平衡。仿真结果表明,相比基于凸优化模型的相关算法,该算法的计算量大大降低,测向速度提升24.6%,特别在多入射信号情况下具有明显优势。     

基于混合匹配追踪算法的MIMO雷达稀疏成像方法

多输入多输出(MIMO)雷达作为一种新型的雷达体制,其成像兼具高分辨率与实时性的优点。由于观测区域的稀疏性,MIMO雷达成像可以用压缩感知的方法进行处理。而现有的MIMO雷达稀疏成像的贪婪恢复算法中,正交匹配追踪算法(OMP)存在成像图像有伪影的缺点,子空间追踪算法(SP)则受到低分辨率的困扰。针对上述问题,该文提出一种称为混合匹配追踪算法的压缩感知贪婪算法以实现MIMO雷达稀疏成像。通过将两种贪婪恢复算法结合起来,利用OMP 算法选择基信号的正交性和SP 算法具有基信号选择的回溯策略,来重构出高分辨率且没有伪影的雷达图像。仿真实验验证了所提算法的有效性。     

基于贪婪-快速阈值迭代的SAR地面动目标稀疏表征算法

合成孔径雷达地面动目标成像(Synthetic Aperture Radar Ground Moving Target Imaging, SAR-GMTIm)技术通过在静止场景的SAR图像中检测运动目标响应,实现针对运动目标的重聚焦成像。通常情况下,地面运动目标回波响应相对于静止场景的回波(即杂波)具有较强的稀疏性,增强SAR-GMTIm成像结果的稀疏特征有利于目标分类和识别。现有的一阶算法如阈值迭代算法(Iterative Shrinkage-thresholding Algorithm,ISTA)及其改进方法,快速阈值迭代算法(Fast Iterative Shrinkage-thresholding Algorithm,FISTA)都可用于SAR-GMTIm稀疏特征增强,但都存在运算效率偏低,收敛速度较慢的问题。针对以上问题,本文提出了一种贪婪-快速阈值迭代算法(Greedy Fast Iterative Shrinkage-thresholding Algorithm,Greedy FISTA)用于SAR-GMTIm稀疏特征恢复。该算法基于重启动框架对FISTA进行改进,缩短了算法重启间隔和振荡周期,拥有比FISTA更快的收敛速度。本文利用Greedy FISTA针对SAR-GMTIm的仿真复数据以及美国空军实验室的Gotcha实测雷达数据进行成像实验,并对比Greedy FISTA和FISTA、ISTA在SAR动目标成像中达到同等精度所需的迭代次数,再结合相变热力图分析法对比三种算法的恢复性能。实验结果表明Greedy FISTA应用于SAR-GMTIm系统具有良好的成像效果, 且在收敛速度和稀疏信号恢复方面相较传统阈值迭代算法及快速阈值迭代算法有明显优势。      

OFDM系统的功率和比特分配算法

OFDM(正交频分复用)是高速无线数据通信系统最有力的候选技术之一。在OFDM系统中,能够根据各个信道的衰减对各载波的发送功率和传输的比特数进行动态分配,从而使系统性能达到最佳。首先介绍了功率和比特分配的最优算法、贪婪算法,并针对贪婪算法迭代次数多的不足,提出了一种改进的贪婪算法。该算法通过修改迭代过程的初始条件,大大简化了贪婪算法的计算复杂度。仿真结果表明,改进的贪婪算法能够在保持发送比特总数不变的同时有效减少迭代的次数。     

OFDM系统功率和比特分配算法研究

该文研究OFDM系统在总功率和误比特率限定下最大化传输速率的问题,并且考虑实际系统中整数比特的限制,提出基于灌水法则的两种比特分配算法--改进的贪婪算法和对分灌水线搜索法,两种算法在计算复杂度上分别比贪婪算法和迭代灌水线搜索法小。仿真结果表明,改进的贪婪算法在性能上十分接近于贪婪算法,但是计算复杂度仅是贪婪算法的10%-30%,而对分灌水线搜索法在信噪比大于10dB的时候只要5-7次迭代便可以达到与贪婪算法只相差0.5%的性能。     

一种迭代加权感知词典构造权值初始化方法

迭代加权词典构造算法可构造具有小局部积累相关系数的感知词典,可有效地提高压缩感知中贪婪算法的信号恢复性能。提出一种加权迭代词典构造算法权值初始化方法。根据量测词典构造小相关系数感知词典,由感知词典和量测信号得到识别向量,将识别向量用于权值矩阵的构造。分析和仿真了此权值初始化方法的性能。结果表明,在相同迭代次数条件下,利用提出的权值初始化方法所构造词典具有小的局部相关系数,提高压缩感知中OMP算法信号恢复性能。     

基于EM-SBL迭代的稀疏SIMO信道频域盲均衡算法

针对单输入多输出系统下稀疏信道均衡问题,提出了一种新的基于最大似然准则的频域迭代均衡算法.首先将多天线联合均衡问题建模为非完整观测数据集下频域信号序列的最大似然估计问题,利用期望最大化算法进行近似迭代求解,最终得到各个单频信号加权求和形式的均衡输出表达式.在每次迭代过程中,算法依次完成均衡输出的更新和信道参数联合条件后验分布的更新.考虑到信道固有的稀疏特性,在求解信道参数联合条件后验时,引入具有稀疏促进作用的先验分布对信道系数加以约束,使用稀疏贝叶斯学习迭代求解信道参数联合条件后验.仿真结果表明,本文算法具有较好的收敛特性和稳态性能,在中高信噪比条件下可以获得接近信道已知条件下的稳态系统误符号率性能.     

基于稀疏贝叶斯学习的高效DOA估计方法

针对采用1l 范数优化的稀疏表示DOA估计算法正则化参数选取困难、计算复杂度高的问题,该文提出一种基于稀疏贝叶斯学习的高效算法.该算法首先利用均匀线阵的结构特性,将DOA估计联合稀疏模型的构建与求解转换到实数域进行.其次,通过优化稀疏贝叶斯学习的基消除机制,使该算法具有更快的收敛速度.仿真结果表明,与1l 范数优化类算法相比,该文方法具有更高的空间分辨率和估计精度且计算复杂度低.     

MIMO-OFDM系统中最大化速率的自适应算法

针对现有贪婪算法应用的高复杂性,提出了一种在误比特率(BER)和功率一定的前提下,最大化传输速率的低复杂度比特和功率分配算法。对系统模型和贪婪算法进行了简要介绍,对贪婪算法和新提出的算法进行了仿真,通过仿真结果可以看出,新提出的算法不仅满足系统的误比特率要求,在传输速率上和贪婪算法几乎相同,但却大大地降低了计算复杂度。     

InSAR加权迭代贪婪算法相位解缠及性能分析

针对干涉SAR二维相位解缠问题,提出了一种利用加权迭代贪婪算法提高解缠精度的新方法.首先推导了加权迭代贪婪算法相位解缠的基本原理,然后给出了算法的实现过程,最后进行了仿真分析.在分析比较了W=2和W=3加权迭代贪婪算法性能的基础上,将W=3加权迭代贪婪算法与经典的解缠算法在解缠精度和解缠时间上进行了比较.仿真和实际数据解缠证明,该算法实时、高效、准确.     

Model-based decentralized Bayesian algorithm for distributed compressed sensing

In this paper, a novel model-based distributed compressive sensing (DCS) algorithm is proposed. DCS exploits the inter-signal correlations and has the capability to jointly recover multiple sparse signals. Proposed approach is a Bayesian decentralized algorithm which uses the type 1 joint sparsity model (JSM-1) and exploits the intra-signal correlations, as well as the inter-signal correlations. Compared to the conventional DCS algorithm, which only exploit the joint sparsity of the signals, the proposed approach takes the intra- and inter-scale dependencies among the wavelet coefficients into account to enable the utilization of the individual signal structure. Furthermore, the Bessel K-form (BKF) is used as the prior distribution which has a sharper peak at zero and heavier tails than the Gaussian distribution. The variational Bayesian (VB) inference is employed to perform the posterior distributions and acquire a closed-form solution for model parameters. Simulation results demonstrate that the proposed algorithm have good recovery performance in comparison with state-of the-art techniques.     

Bayesian compressive sensing for cluster structured sparse signals

In traditional framework of compressive sensing (CS), only sparse prior on the property of signals in time or frequency domain is adopted to guarantee the exact inverse recovery. Other than sparse prior, structures on the sparse pattern of the signal have also been used as an additional prior, called model-based compressive sensing, such as clustered structure and tree structure on wavelet coefficients. In this paper, the cluster structured sparse signals are investigated. Under the framework of Bayesian compressive sensing, a hierarchical Bayesian model is employed to model both the sparse prior and cluster prior, then Markov Chain Monte Carlo (MCMC) sampling is implemented for the inference. Unlike the state-of-the-art algorithms which are also taking into account the cluster prior, the proposed algorithm solves the inverse problem automatically—prior information on the number of clusters and the size of each cluster is unknown. The experimental results show that the proposed algorithm outperforms many state-of-the-art algorithms.     

基于贝叶斯假设检验的压缩感知重构

为提高贪婪类算法的重构精度,该文提出一种贝叶斯假设检验匹配追踪算法。该算法首先建立了贝叶斯假设检验模型,用于在噪声污染下识别稀疏信号非零元素的下标;其次利用追踪算法的输出下标集作为该模型的候选集,并对候选集中的每个元素进行假设检验以剔除冗余下标;最后根据剔冗后的真实下标集,采用最小二乘法重构原始信号。仿真结果表明:在相同的实验条件下,与传统贪婪类算法相比,该算法不存在冗余下标,具有更强的抗干扰能力和更高的重构精度。     

压缩感知的多重测量向量模型与算法分析

压缩感知（Compressed Sensing:CS）现有算法大都从单重测量信号中恢复稀疏信号源,即为单测量向量（SMV）模型。而在实际应用中,存在大量的多重测量向量情形,从多重测量向量中恢复未知的具有相同稀疏结构的联合稀疏信号源的模型称为CS的多重测量向量（MMV）模型。本文首先对CS-SMV和CS-MMV模型的基本数学原理进行了详细介绍,讨论了两种情况下稀疏源信号恢复的存在性与唯一性,然后在此基础上重点对近年来出现的各种联合稀疏信号的恢复算法进行综述,分析了各种算法的性能,较全面的讨论了MMV模型的应用前景。最后对CS的MMV模型的发展趋势进行了总结和展望。      

Bayesian Compressive Sensing Via Belief Propagation

Compressive sensing (CS) is an emerging field based on the revelation that a small collection of linear projections of a sparse signal contains enough information for stable, sub-Nyquist signal acquisition. When a statistical characterization of the signal is available, Bayesian inference can complement conventional CS methods based on linear programming or greedy algorithms. We perform asymptotically optimal Bayesian inference using belief propagation (BP) decoding, which represents the CS encoding matrix as a graphical model. Fast computation is obtained by reducing the size of the graphical model with sparse encoding matrices. To decode a length-N signal containing K large coefficients, our CS-BP decoding algorithm uses O(K log(N)) measurements and O(N log²(N)) computation. Finally, although we focus on a two-state mixture Gaussian model, CS-BP is easily adapted to other signal models.     

利用稀疏贝叶斯推理估计干扰导向矢量和功率的稳健自适应波束形成方法

现有稳健自适应波束形成（Robust adaptive beamforming,RAB）方法对快拍数有较高要求，可用快拍数的不足可能会使RAB方法无效。稀疏贝叶斯推理（Sparse Bayesian Inference,SBI）从贝叶斯的角度，通过对信号的稀疏先验假设来利用稀疏信息，在建模稀疏信号方面具有较好的灵活性，可以提高解的稀疏性，即使在样本数较低的情况下也能取得很好的估计效果。本文使用SBI估计干扰信号的导向矢量和功率，提出了一种新颖的基于干扰加噪声协方差矩阵（Interference plus Noise Covariance Matrix,INCM）重建的RAB方法。所提方法利用SBI在建模稀疏信号方面的优越性，通过准确重建出INCM，实现高输出SINR。仿真结果表明，本文提出的方法在比较宽的输入SNR范围内和少量快拍情况下都实现了较好的性能。     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

基于块稀疏贝叶斯模型的ISAR成像方法

传统ISAR稀疏成像主要针对独立散射点散射系数的重构问题,然而实际情况下目标散射点之间并不是独立存在的,而是以区域或块的形式存在,在该情形下利用常用的稀疏重构算法并不能完全地刻画块状目标的真实结构,因此该文考虑采用块稀疏重构算法进行目标散射系数重建。基于块稀疏贝叶斯模型和变分推理的重构方法(VBGS),包含了稀疏贝叶斯学习(SBL)方法中参数学习的优点,其利用分层的先验分布来表征未知信号的稀疏块状信息,因而相对于现有的恢复算法能够更好地重建块稀疏信号。该方法基于变分贝叶斯推理原理,根据观测量能自动地估计信号未知参数,而无需人工参数设置。针对稀疏块状目标,该文结合压缩感知(CS)理论将VBGS方法用于ISAR成像,仿真实验成像结果表明该方法优于传统的成像结果,适合于具有块状结构的ISAR目标成像。     

Bayesian compressive sensing using reweighted laplace priors

Bayesian compressive sensing (BCS) plays an important role in signal processing for dealing with sparse representation related problems. BCS utilizes a Bayesian model to solve the compressing sensing (CS) problem, such as signal sampling processing and model parameters using the hierarchical Bayesian framework. The use of Gaussian and Laplace distribution priors on the basic coefficients has already been demonstrated in previous works. However, the two existing priors cannot more effectively encode sparsity representation for unknown signals. In this paper, a reweighted Laplace distribution prior is proposed for hierarchical Bayesian to fully exploit the sparsity of unknown signals. The proposed algorithm can automatically estimate all the coefficients of unknown signal, and the expected model parameters are solely gotten from observation by developing a fast greedy algorithm to solve the Bayesian maximum posterior and type-II maximum likelihood. Theoretical analysis on the sparsity of the proposed model is analyzed and compared with the Laplace priors model. Moreover, numerical experiments are conducted to prove that the proposed algorithm can achieve superior performance for reconstructing unknown sparse signal with low computational burden as well as high accuracy.